C.d.l. Biotecnologie Industriali e Ambientali Biologia ...€¦ · Biologia computazionale A.A....

Biologia

computazionale A.A. 2010-2011 semestre II

UNIVERSITÀ DEGLI

STUDI DI MILANO Docente: Giorgio Valentini

Istruttore: Matteo Re

1 INTRODUZIONE

C.d.l. Biotecnologie Industriali e Ambientali

Note amministrative:

Email: [email protected]

Sito web: put here the link

Inviatemi al più presto una email contenente queste informazioni:

• Nome

• Cognome

• Matricola

• Corso di laurea

• Come oggetto inserite : corsobiocomp2011

mailto:[email protected]

Motivazioni dell‟esistenza della biologia computazionale:

Biologia Computazionale è l‟applicazione di strumenti propri delle scienze dell‟informazione (es. algoritmi, intelligenza artificiale, databases) a problemi di interesse biologico, biotecnologico e biomedico.

Attualmente suscita grande interesse perché:

• La dimensione dei problemi biologici è sufficiente a motivare lo sviluppo di algoritmi efficienti

• I problemi sono accessibili (elevata quantità di dati pubblici e letteratura inerente) ed interessanti

• Le scienze biologiche si avvalgono sempre più spesso di strumenti computazionali

Gli sviluppi delle scienze biomediche, (in particolare

per quanto riguarda la biologia molecolare) si

verificano ad un ritmo tale da porre seri problemi:

La nostra capacità tecnologica di acquisire nuovi dati

(spesso in quantità elevate) rende impossibile la loro

analisi in assenza di strumenti efficienti.

Biologia computazionale:

Scienze dell‟Informazione o Biologia? (I)

La biologia computazionale gode di un interesse sempre crescente sia nei dipartimenti di area biomedica che nei dipartimenti di scienze dell‟informazione.

• Molti problemi biologici si avvalgono di strumenti informatici (es. assemblaggio di frammenti genomici, analisi di biosequenze, costruzione alberi filogenetici…)

• Molti strumenti biologici sono stati proposti per rispondere a problemi informatici (avete mai pensato che il DNA offre incredibili possibilità di calcolo parallelo? … cercate in google „DNA COMPUTING‟)

Biologia computazionale:

Scienze dell‟Informazione o Biologia? (II)

La reazione della comunità scientifica alla comparsa del virus SARS in Asia nel Febbraio 2003 illustra il ruolo critico che genomica e informatica giocano nella biologia moderna.

• Marzo 2003: analisi di dati di microarray di DeRisi rivelano che si tratta di un coronavirus.

• 12 Aprile 2003: Il Michael Smith Genome Sciences Centre in Canada annuncia il sequenziamento del genoma del virus.

• 15 Aprile 2003: Microarray SARS-specifici vengono messi in commercio.

• 1 Maggio 2003: Analisi di predizione delle posizioni dei geni SARS ed analisi del genoma SARS pubblicati in Science.

• Fine Maggio 2003: Pubblicazione analisi filogenetica per trovare la posizione del virus SARS nella famiglia dei coronavirus.

• Novembre 2008: Pubblicato esperimento in cui viene riportata la costruzione di un virus SARS sintetico(!)

Attacco al virus SARS

Verranno introdotti PROBLEMI COMPUTAZIONALI inerenti a:

• Assemblaggio di sequenze

• Predizione dei geni

• Analisi di dati microarray

• Predizione della classe di oggetti biologici mediante integrazione di dati eterogenei

• Predizione della classe farmacologica

e studieremo l‟APPLICAZIONE degli strumenti disponibili per la soluzione di questi problemi (NBB: l‟applicazione non è possibile senza il disegno di un esperimento).

In questo corso di Biologia Computazionale

Biologia Computazionale è altamente interdisciplinare: questo pone dei problemi.

Informatici vs Biologi/Biotecnologi/Medici…

Esistono vari tipi di scienziati in area biomedica (biologi, biotecnologi, ecologi, medici,…) come in area informatica (algoritmisti, ingegneri del software,…). Questa area di ricerca suscita anche molto interesse da parte di matematici e statistici.

PROBLEMA:

NULLA è completamente vero / falso nelle scienze biomediche mentre TUTTO è vero / falso in scienze dell‟informazione / matematica.

„Natura‟ della Biologia Computazionale (I)

Esistono delle fondamentali differenze culturali tra informatici,

matematici e scienziati di area biomedica:

Biotecnologi/Medici ecc. : cercano di capire un mondo reale

estremamente complicato (e sono consapevoli di averne una visione

parziale).

Informatici/Matematici ecc. : cercano di costruire dei „micromondi‟

organizzati ed ordinati che funzionano da rappresentazioni ridotte del

mondo reale. Queste rappresentazioni virtuali del mondo reale sono

INDISPENSABILI per sviluppare soluzioni efficienti a problemi altrimenti

intrattabili.

„Natura‟ della Biologia Computazionale (II)

Vogliono SCOPRIRE qualcosa …

Vogliono INVENTARE qualcosa …

Altre differenze importanti:

„Natura‟ della Biologia Computazionale (III)

Scienziati area

Biomedica (BM)

Scenziati area

computazionale o matematica

(CM)

Conseguenze

?

Data driven Algorithm driven Pagine web

CM migliori di

pagine web BM

Bagaglio di conoscenze più

vasto e più vario

(biochimica/genetica/chimic

a/fisica…)

Bagaglio di conoscenze più

specializzato (sono in grado di

svolgere operazioni complesse

in modo efficiente)

Sono a loro agio rispetto al

fatto che OGNI DATO

contiene degli errori

Non lo sono

Costi sperimentali

estremamente elevati …

(pianificazione

sperimentale accurata)

Metriche fondamentali per

pianificare un esperimento sono

stime del tempo necessario e

qualità delle soluzioni prodotte

Cercheremo molto spesso di valutare due aspetti degli algoritmi utilizzati in biologia computazionale:

• Correttezza

• Efficienza

Descriveremo algoritmi che ritornano, in modo DIMOSTRABILE, la miglior soluzione possibile ad un problema combinatorio BEN DEFINITO. Esistono inoltre altre procedure dette EURISTICHE che restituiscono buoni risultati in problemi pratici ma di cui non è dimostrabile la correttezza.

Una grossa difficoltà è quella di “estrarre” problemi ben definiti da problemi reali complessi in modo da rendere questi ultimi affrontabili. Questo processo è analogo alle sperimentazioni in-vivo ed in-vitro.

Scienze dell‟Informazione

per scienziati di area biomedica

Spesso (se non sempre) gli esperimenti di biologia

computazionale sono svolti in parti separate, ognuna affidata ad

una categoria differente di figure professionali.

Il rischio maggiore è che le parti svolgano operazioni che non

convergano ad una soluzione (o, peggio, che la soluzione finale

non risponda ai problemi iniziali).

Possibile soluzione: potenziare i contatti tra le parti in gioco in

modo che il team Biomedico formalizzi il problema in esame nel

modo più stringente possibile ed il team informatico sia quindi in

grado di costruire una soluzione adatta al problema e che

permetta di salvaguardare contemporaneamente correttezza

(quando possibile), efficienza e coerenza della soluzione

proposta con il problema in esame.

Insidie in esperimenti di Biologia

Computazionale

Presentazione di problemi di interesse biologico/biotecnologico e

della loro formalizzazione.

Descrizione di algoritmi di uso corrente utilizzati per rispondere

ai problemi presentati (analisi delle caratteristiche dei vari

algoritmi).

Ricerca sistematica del punto di contatto tra le varie discipline

coinvolte nella soluzione dei problemi (questo è l‟obiettivo

fondamentale del corso)

Obiettivi del corso

(alcune) Sfide della Biologia Computazionale

Biologia

computazionale A.A. 2010-2011 semestre II

UNIVERSITÀ DEGLI

STUDI DI MILANO Docente: Giorgio Valentini

Istruttore: Matteo Re

2 ALLINEAMENTO DI

BIOSEQUENZE

C.d.l. Biotecnologie Industriali e Ambientali

Elementi conservati nel corso dell‟evoluzione

Kellis et al. Nature 2003

Possiamo “LEGGERE” l‟evoluzione

per trovare elementi funzionali

Obiettivo di oggi:

Come possiamo ALLINEARE le sequenze di due

geni?

I genomi cambiano nel tempo

mutazione

delezione

inserzione

Stato iniziale

Stato finale

Obiettivo dell‟allineamento:

INFERENZA DELLE OPERAZIONI DI MODIFICA (editing)

Stato iniziale

Stato finale

Bio CS FORMALIZZAZIONE DEL PROBLEMA

1. Definizione di un set di operazioni evolutive (mutazione, inserzione e delezione)

Simmetria delle operazioni (A → C, C → A ) permette reversibilità rispetto al tempo. Questa è una scelta di “disegno” della formalizzazione del problema.

Eccezione(Bio) : dinucleotidi CpG metilati → TpG/CpA

(perdita simmetria)


2. Definizione di un criterio di ottimalità (minimo numero operazioni, minimo costo complessivo,…)

E‟ IMPOSSIBILE inferire la serie ESATTA di operazioni che portano dalla sequenza A alla sequenza B!

Rasoio di Occam: “Avendo a disposizione diverse ipotesi equivalentemente competitive rispetto ad un dato problema è buona norma scegliere la più semplice e scartare le altre”.


3. Definizione di un algoritmo in grado di

raggiungere questa condizione di ottimalità (o

in grado di approssimarla)

Predicibilità Correttezza

Rilevanza

Casi speciali

Bio CS

Algoritmi

Assunzioni

Implementazione

Trattabilità

Computabilità

Trade-off

FORMULAZIONE 1 : longest common subsequence (LCS) CS

“Date due sequenze S1 ed S2 possibilmente originatesi da

una medesima sequenza ancestrale quale è la più lunga

sottosequenza in comune (LCS) ?” (gap non ammessi)

FORMULAZIONE 2 : longest common subsequence (LCS) CS

“Date due sequenze S1 ed S2 possibilmente originatesi da

una medesima sequenza ancestrale quale è la più lunga

sottosequenza in comune (LCS) ?” (gap ammessi)

E‟ basata su edit

distance:

•Numero di

cambiamenti per

passare da S1 a S2

•Funzione di scoring

uniforme

FORMULAZIONE 3 : Allineamento di sequenze CS

• Gap ammessi (penalità fissa):

- Operazioni di inserzione e delezione

- Medesimo costo per ogni carattere inserito/deleto

• Penalità variabili per le operazioni di editing:

- Transizioni (Pirimidine↔Pirimidine, Purine↔Purine)

- Trasversioni (variazioni Pirimidine↔Purine)

- Polimerasi confonde “relativamente spesso” A/G e C/T

FORMULAZIONE 4,5,6,… CS

Molte variazioni:

es. Penalità variabili in accordo con il numero di gap

…

(riuscite a proporre delle varianti?)

CS

• Data una funzione di scoring additiva :

- Costo mutazioni (AG, CT, altre)

- Costo inserzione / delezione

- Premio per match

• Serve algoritmo per provare il miglior allineamento:

- Enumerazione di tutti i possibili allineamenti?

- Come la realizzereste?

- Quanti sono i possibili allineamenti di due sequenze?

Come possiamo costruire il “miglior” allineamento?

CS

• Per due sequenze di lunghezza n:

Modi di allineare due sequenze di lunghezza m, n:

n Enumerazione Tecnica

presentata oggi

10 184756 100

20 1.40E+11 400

100 9.00E+58 10000

CS

• Calcolo RICORSIVO del miglior allineamento:

- Per una data coppia di sequenze allineate (S1,S2) il

miglior allineamento è:

. Miglior allineamento di S1[1..i] e S2[1..j]

. + Miglior allineamento di S1[ i..n] e S2[ j..m]

PUNTO CRUCIALE: gli score sono additivi:

CS

Sottoproblemi IDENTICI ! Possiamo riutilizzare più

volte la stessa soluzione.

IDEA : riutilizzo delle operazioni svolte dal calcolatore

CS

• Creazione di un DIZIONARIO (le chiavi sono le sequenze)

• Quando dobbiamo allineare due sequenze cerchiamo una

soluzione corrispondente alle due sequenze

• SE ESISTE: ritorniamo il risultato

• SE NON ESISTE:

- calcoliamo la soluzione

- inseriamo la soluzione nel dizionario

- restituiamo la soluzione

• Assicuriamoci di non duplicare i calcoli:

è necessario calcolare un sottoallineamento una sola

volta

SOLUZIONE #1 :

LOGICA TOP-DOWN

CS

• Creazione di una grossa tabella con indici i,j

- Riempiamola compilando gli score di tutti i possibili

sottoallineamenti (calcolati in passi che siano i più

piccoli possibili)

- ci serviranno tutti i possibili ”passi” dell‟allineamento

(per trovare la soluzione finale)

• Assicuriamoci di non duplicare i calcoli:

è necessario calcolare un sottoallineamento una sola

volta

• Soluzione MOLTO SEMPLICE DAL PUNTO DI VISTA

COMPUTAZIONALE!

SOLUZIONE #2 : PROGRAMMAZIONE DINAMICA

LOGICA BOTTOM-UP

CS Introduzione alla PROGRAMMAZIONE DINAMICA

I numeri di Fibonacci

… sono definiti in maniera ricorsiva:

F(0)=1, F(1)=1, F(n) = F(n-1)+F(n-2)

1,1,2,3,5,8,13,21,34,55,89,144,233,377,…

Obiettivo:

calcolo dell‟

n-esimo

numero di

Fibonacci

CS

• Codice R:

SOLUZIONE #1 :

LOGICA TOP-DOWN

fibonacci_TD <- function(n){

if(n==1 || n==2){

return(1)

}else{

return ( fibonacci_TD(n-1)+fibonacci_TD(n-2) )

}

}

T(n) = T(n-1)+T(n-2)= (…) = O(2n)

complessità esponenziale

(in realtà è peggio ancora)

CS

• Codice R:

SOLUZIONE #2 :

LOGICA BOTTOM-UP

fibonacci_BU <- function(n){

fib_table<-vector()

fib_table[1] <- 1

fib_table[2] <- 1

for(i in 3:(n+1)){

fib_table[i] <- fib_table[i-1]+fib_table[i-2]

}

return(fib_table[n])

}

T(n) = O(n)

complessità lineare

CS

• Cosa fa la soluzione iterativa?

- rivela sottoproblemi identici

- ordina le operazioni in modo da favorirne il riutilizzo

- riempie una tabella di risultati (intermedi)

- esprime problemi complessi come insiemi di

sottoproblemi più semplici

• L‟ordine delle operazioni conta

- approccio top-down molto lento (risultati

intermedi non disponibili)

- approccio bottom-up efficace (risolve sottoproblemi,

salva risultati, non ricalcola la soluzione ma la

costruisce da valori già disponibili)

Cosa ci insegna l‟algoritmo iterativo per il calcolo

dell‟ennesimo numero di Fibonacci? (progr. dinamica)

CS

• Il problema può essere rappresentato come insieme di

sottoproblemi

• I sottoproblemi non sono sovrapposti (problemi indipendenti

che si ripresentano molte volte: calcolo una volta e riutilizzo le

soluzioni)

• In problemi di ottimizzazione reali:

- scelte ottimali a livello locale

- score sommato rispetto a tutto lo spazio dei sottoproblemi

- soluzione: traceback per trovare il “percorso migliore” tra le

soluzioni dei sottoproblemi

Basi della programmazione dinamica:

CS

Programmazione dinamica sembra una buona

soluzione (finora è stata presentata solo con

l‟esempio dei numeri di Fibonacci) …

COME POSSIAMO APPLICARLA AL

PROBLEMA DELL‟ALLINEAMENTO DI

SEQUENZE?

CS

• Calcolo RICORSIVO del miglior allineamento:

- Per una data coppia di sequenze allineate (S1,S2) il

miglior allineamento è:

. Miglior allineamento di S1[1..i] e S2[1..j]

. + Miglior allineamento di S1[ i..n] e S2[ j..m]

PUNTO CRUCIALE: gli score sono additivi:

CS

1. Trovare i „parametri‟ della matrice (# dimensioni, variabili)

2. Assicurarsi che lo spazio dei sottoproblemi sia finito

- se il riutilizzo non è estensivo può darsi che prog. din.

non sia la scelta migliore

3. Ordine di calcolo: i sottorisultati devono essere disponibili

quando ci servono

- (bottom-up è meglio di top-down … ma non è sempre

così ovvio)

4. Ricorsione: sovraproblema = F(sottoproblema)

5. Ricordare le scelte effettuate in precedenza ( tipicamente F()

include min() o max() )

6. Iniziamo a calcolare:

- Riempiamo la matrice di sottorisultati

- Definiamo un “punto di partenza” e ripercorriamo i passi

all‟indietro fino a trovare la migliore soluzione.

Programmazione dinamica in pratica:

Bio CS ALLINEAMENTO LOCALE DI

SEQUENZE NUCLEOTIDICHE

Algoritmo più noto per soluzione del problema:

Smith-Waterman (1981)

Obiettivo:

“Date due sequenze relativamente lunghe, determinare la

sottosequenza della prima sequenza che realizza il

maggior grado di similarità con una sottosequenza della

seconda sequenza”.




1) Inizializzazione

Data una coppia di sequenze SA=a1,a2,…,ai,an e

SB=b1,b2,…,bj,bm costruire una matrice H=||Hi, j||, costituita

da n+1 righe e m+1 colonne che viene inizializzata

ponendo:

Hi,0 = H0,j per 0 ≤ i ≤ n e 0 ≤ j ≤ m




2) Calcolo

Per ciascuna coppia di elementi ai e bj appartenenti alle

sequenze SA e SB si definisce un punteggio di similarità s .

Per il confronto di sequenze nucleotidiche tale punteggio viene

generalmente definito come segue:

s(ai , bj) = α se ai = bj ( usualmente > 0 )

s(ai , bj) = β se ai ≠ bj ( usualmente ≤ 0 )

Wk = γ+δ(k-1) dove γ=costo fisso apertura gap

δ=penalità aggiuntiva per estensione gap




2) Calcolo (continua)

I valori della matrice Hij vengono determinati secondo

l‟equazione:

Hi,j = max(Hi-1,j-1 + s(ai , bj) , Hi-1,j - pgap, Hi,j-1 - pgap , 0)

NB: in questo esempio invece di usare Wk = γ+δ(k-1) come penalità

dinamica per i gap di diversa lunghezza abbiamo utilizzato una

penalità costante ( pgap ) indipendente dall‟estensione dei gap.






l‟equazione:


Confronto tra delezione delezione

nucleotidi in sequenza B in sequenza A

(match/mismatch) di lunghezza 1 di lunghezza 1

score ≠






l‟equazione:


INTERPRETAZIONE: Questa formula ricorsiva considera tutte le

possibili terminazioni di segmenti allineati alle cui estremità si

trovano ai e bj.



2) Calcolo

Bio CS DUALITA‟ :

“miglior allineamento” ↔ miglior

percorso attraverso la matrice !

NUOVO OBIETTIVO:

Trovare il miglior

percorso attraverso la

matrice !



3) Backtracking

-Trovare valore

massimo

- Ripercorrere la

matrice fino a

quando non rag-

giungo l‟ angolo

in alto a sinistra

o trovo 0 sulla

diagonale

3.3



3) Backtracking

-Trovare valore

massimo

- Ripercorrere la

matrice fino a

quando non rag-

giungo l‟ angolo

in alto a sinistra

o trovo 0 sulla

diagonale

3.3

G C C A U U G

| | | | . |

G C C – U C G

Bio CS ALLINEAMENTO GLOBALE DI

SEQUENZE


Needleman-Wunsch (1970)

Obiettivo:

“Date due sequenze A e B, determinare il miglior

allineamento (avente quindi il maggior grado si similarità tra

le sequenze considerate) che comprenda ogni elemento

della sequenza A ed ogni elemento della sequenza B. ”


SEQUENZE



Costrizioni proprie dell‟allineamento globale:

1) Lo score similarità calcolato confrontando seq A con Seq B,

S(A,B),DEVE essere uguale allo score di similarità che si

ottiene confrontando seq B con seq A, S(B,A).

2) Io score di similarità tra due sequenze A e B, S(A,B) DEVE

essere minore o uguale alla somma degli score di similarità

ottenuti confrontando sia seq A che seq B con una terza

sequenza (seq C): S(A,B) ≤ S(A,C) + S(B,C)


SEQUENZE



Anche l‟algoritmo di Needleman-Wunsh, come quello di

Smith-Waterman, è basato su tecniche di programmazione

dinamica.


SEQUENZE


1) Date due sequenze A e B di lunghezza n ed m,

rispettivamente, viene

costruita una matrice

n per m. Nel caso più

semplice i valori delle

celle Mij vengono ini-

zializzati come segue:

1 (caratteri identici)

0 (altrimenti)


SEQUENZE


2) Una volta inizializzata, la matrice viene trasformata a

partire dalla cella in basso

a destra.

Trasformazione: Aggiungere allo score della

cella corrente il massimo

valore della celle apparte-

nenti alla coppia riga-colon-

na avente l‟angolo in alto a

sinistra posizionato in basso

e a destra della cella considerata.


SEQUENZE


2) Trasformazione …


SEQUENZE


3) Traceback

Partendo dal valore mas-

simo (8) si procede verso

verso la cella in basso a

destra seguendo il per-

corso che realizza il pun-

teggio più alto.


SEQUENZE


Entrambi i percorsi (allineamenti) realizzano il massimo punteggio (8)


SEQUENZE


NB:

Non sono

ammessi

spostamenti

diretti verso

destra o

verso il

basso.

La soluzione non è unica … ( + percorsi con lo score massimo)

Bio CS ALLINEAMENTO DI SEQUENZE

Allineamento globale : GOTOH 1982

L‟algoritmo di Needleman-Wunsch è stata la prima

soluzione ampiamente utilizzata per risolvere problemi di

allineamento globale. Ma, come soluzione, non era

efficiente.

Nel 1982 Gotho propose una variante simile a quella

proposta in precedenza da Smith e Waterman. Lo schema

è molto simile ma ci sono alcune differenze importanti.


Allineamento globale : GOTOH 1982

• Costruzione matrice m per n

• Inizializzazione:

H(0,0) = 0 H(i,0) = i * pgap H(0,j) = j * pgap

• Riempimento matrice:

Come SW ma senza considerare lo 0 (possibili valori < 0)

• Inizio traceback : sempre da H(m,n)


Allineamento globale vs locale


Riassunto:

Il processo di allineamento cerca di quantificare la

similarità (numero di variazioni esistenti) tra le sequenze

confrontate.

I metodi presentati si basano su tecniche di

programmazione dinamica (soluzione di problemi grandi

una volta che questi ultimi sono stati scomposti in problemi

più piccoli)

Diversi tipi di allineamento: locale e globale

ALLINEAMENTO DI SEQUENZE: Bio CS

I genomi cambiano nel tempo. Pattern evolutivi simili possono

aiutarci a identificare sequenze funzionalmente simili.

Confronto di biosequenze (nt, aa) : quantificare la similarità sulla

base delle variazioni necessarie per trasformare una sequenza

nell‟altra (allineamento).

Molti modi di allineare due sequenze. E‟ necessaria una

soluzione per trovare il miglior allineamento possibile.

Soluzione efficiente: suddividere il problema in molti

sottoproblemi ripetitivi e calcolare le soluzioni dei sottoproblemi

seguendo un ordine che garantisca il possibile riutilizzo delle

soluzioni già calcolate → programmazione dinamica.

ALLINEAMENTO DI SEQUENZE: Bio CS

Alla fine del processo di allineamento COSA OTTENIAMO?

CS: Allineamento con score migliore ( più allineamenti possono

avere il massimo score), calcolato in modo efficiente.

Bio:

UN ALLINEAMENTO E‟ UNA

IPOTESI EVOLUTIVA

(avente come obiettivo quello di suggerire l‟esistenza di relazioni

funzionali tra le sequenze confrontate)

ALLINEAMENTO ↔ IPOTESI EVOLUTIVA Bio

Se è vero che un allineamento equivale ad un‟ipotesi evolutiva,

cosa giustifica tale ipotesi? (dal punto di vista biologico)

> (conservazione crescente durante l‟evoluzione in caso di omologia funzionale)


La sequenza delle proteine è meno conservata rispetto a struttura

secondaria, terziaria e quaternaria nel corso dell‟evoluzione.

Questo ha due effetti:

1) Proteine OMOLOGHE possono avere sequenza molto

diverse e quindi produrre allineamenti aventi un punteggio di

similarità basso.

2) Se la similarità tra due sequenze proteiche è elevata (in

maniera statisticamente significativa) è abbastanza

ragionevole ipotizzare che tra di esse esista una relazione di

omologia funzionale.

OMOLOGIA: carattere qualitativo, SIMILARITA‟: carattere quantitativo


Per ora abbiamo discusso il problema dell‟allineamento di

biosequenze e abbiamo visto le soluzioni algoritmiche. Ma

dobbiamo sempre ricordare che:

I metodi presentati (Needleman-Wunsch e Smith-Waterman)

permettono di trovare il “miglior” allineamento in modo efficiente

ma non garantiscono che il risultato sia biologicamente

sensato!

Perché un allineamento risulti informativo è di FONDAMENTALE

importanza che gli schemi di SCORING abbiano un senso

biologico (questo è particolarmente evidente nel caso di

allineamenti di sequenze PROTEICHE).


Ha senso parlare di

SCORE FISSI per

match e mismatch

quando cerchiamo

di allineare due

sequenze

proteiche?

NO


Ha senso parlare di

SCORE FISSI per

match e mismatch

quando cerchiamo

di allineare due

sequenze

proteiche?

NO

COME E‟ POSSIBILE

DECIDERE QUALE

SCORE ASSEGNARE A

DEI PARTICOLARI

match/mismatch TRA

AMINOACIDI?

E‟ un problema biologico (si)

E‟ un problema informatico (no)

… è un problema statistico!

ALLINEAMENTO DI SEQUENZE:

INTERPRETAZIONE PROBABILISTICA Bio Stat

In questa parte discuteremo di:

- Punteggi per i match

- Penalità per i mismatch

(sia nel caso di allineamenti nucleotidici che aminoacidici)

- Origine degli score utilizzati in applicazioni pratiche

Matrici di sostituzione:

-PAM

-BLOSUM



Modello probabilistico di allineamento di

biosequenze:

• Ci concentriamo su allineamenti proteici senza gap

• Dato un allineamento possiamo considerare due opzioni:

C: Deriva da sequenze evolutivamente Correlate

N: Deriva da sequenze evolutivamente Non correlate

• Come è possibile distinguere tra i due casi?

• C‟è un collegamento tra questa domanda e le matrici di

sostituzione amminoacidiche?



Sequenze evolutivamente NON correlate:

• Assumiamo che ogni aa in ogni posizione dell‟allineamento

derivi da un campionamento CASUALE di una distribuzione di

aa.

qa = probabilità dell‟ aminoacido a

• La probabilità di un allineamento di n caratteri tra le sequenze x

ed y è data da:



Sequenze evolutivamente Correlate:

• Assumiamo che ogni coppia di aa allineati derivi da un ancestor

comune.

Pab = probabilità che l‟evoluzione abbia originato un aminoacido

a nella sequenza x ed un aminoacido b nella sequenza y.

• La probabilità di un allineamento di n caratteri tra le sequenze x

ed y è data da:



Come decidiamo quale dei modelli (C o N)

è più probabile dato un allineamento?

• Consideriamo la probabilità relativa dei modelli dato

l‟allineamento:

• Calcolando il logaritmo otteniamo:



• Gli elementi della matrice degli score di sostituzione per tutte le

coppie di aminoacidi a b si calcolano come segue:

Ma come calcoliamo i valori Pab (prob. che a e b si siano originati

dal medesimo ancestor nel corso dell‟evoluzione)?

DIPENDE DAL TEMPO DI DIVERGENZA:

• Divergenza recente Pab ≈ 0 se a ≠ b

• Divergenza lontana Pab ≈ qaqb

MATRICI DI SOSTITUZIONE Bio Stat

Idea chiave:

Collezioni di sequenze che sappiamo a priori essere

evolutivamente correlate possono fornire informazioni riguardanti

le sostituzioni “biologicamente permesse.

Questo pone un problema:

Come possiamo costruire collezioni di sequenze “evolutivamente

correlate” … che criterio possiamo utilizzare per selezionare

sequenze evolutivamente correlate?


MATRICI PAM (Percent Accepted Mutation Matrices)

[Dayhoff ,1978] Assunzione: analizzando sequenze correlate

filogeneticamente (cioè evolutivamente) si può calcolare la probabilità con

cui ogni amminoacido subisce un evento di sostituzione, ovvero una point

accepted mutation.

Furono calcolate le probabilità di sostituzione di ogni amminoacido con

ciascun altro, prevedendo in media una mutazione ogni 100 aminoacidi:

questa venne chiamata distanza evolutiva 1 PAM.

La matrice PAM 1 non ha applicazioni pratiche ma serve per calcolare le

matrici PAM di ordine superiore, ottenute simulando successivi passi

evolutivi, cioè applicando le probabilità di sostituzione definite in PAM 1.

Tipicamente si usano matrici comprese tra PAM 10 (per sequenze

filogeneticamente vicine) e PAM 240 (per sequenze filogeneticamente

molto lontane).


BLOSUM (Blocks Amino Acid Substitution Matrices):

[Henikoff & Henikoff , 1992] Utilizzano la banca dati BLOCKS che

contiene una collezione di allineamenti multipli (senza gap) di segmenti di

proteine suddivisi in famiglie. I blocchi corrispondono a regioni

strutturalmente conservate !

Ogni blocco di allineamenti contiene sequenze con un numero di

aminoacidi identici superiore ad una certa percentuale P, solitamente

compresa tra il 30% e il 95%.

Da ogni blocco è possibile ricavare la frequenza relativa di sostituzione

degli aminoacidi, che può essere utilizzata per calcolare la matrice di

punteggi.

L‟indice associato alla matrice BLOSUM indica la percentuale di identità

minima all‟interno del blocco.


PAM vs BLOSUM

> Divergenza < Divergenza

BLOSUM 45 BLOSUM 62 BLOSUM 90

PAM 250 PAM 160 PAM 100


PAM vs BLOSUM: quale delle due scegliere? (I)

I due tipi di matrici partono da presupposti diversi:

PAM: si assume un modello in cui le sostituzioni aminoacidiche

osservate a grandi distanze evolutive derivino esclusivamente dalla

somma di tante mutazioni indipendenti. I punteggi risultanti

esprimono quanto sia più probabile che l‟appaiamento di una

coppia di aminoacidi sia dovuto a omologia piuttosto che al caso.

BLOSUM: non sono basate esplicitamente su un modello evolutivo

delle mutazioni dei singoli aa. E‟ in grado di catturare meglio la

sostenibilità di una certa mutazione dato un contesto (fornito dai

blocchi di sequenze corrispondenti a regioni strutturalmente

conservate).


PAM vs BLOSUM: quale delle due scegliere? (II)

Il confronto tra le matrici PAM e BLOSUM, a un livello di sostituzioni

paragonabili, indica che i due tipi di matrice sono effettivamente molto

simili tra loro, ma non uguali.

Le PAM tendono a premiare sostituzioni aminoacidiche che derivano da

una singola base, penalizzando le sostituzioni che comportano cambi di

codone più complessi.

Si ritiene che le matrici BLOSUM siano più adatte delle PAM per effettuare

ricerche di similarità di sequenze.

BLOSUM 50 Bio Stat

Isoleucina e Leucina: score di mutazione reciproci > 0

Triptofano: premio di “conservazione” estremamente elevato

Sostituzioni

a penalità

lieve?

ALLINEAMEMTO PAIRWISE

Bio

Stat

E‟ possibile

calcolare in

modo efficiente

un allineamento

che richieda il

minor numero

variazioni per

passare da una

sequenza

all‟altra

Perché le ipotesi

evolutive

generate abbiano

senso

è necessario

assegnare degli

score di sostituzione

che siano

statisticamente

frequenti nel corso

dell‟evoluzione

Sequenze biologiche

variano durante

l‟evoluzione

BIOLOGIA

COMPUTAZIONALE:

è possibile generare

Ipotesi evolutive

CS

C.d.l. Biotecnologie Industriali e Ambientali Biologia ...€¦ · Biologia computazionale A.A....

Documents

Transcript of C.d.l. Biotecnologie Industriali e Ambientali Biologia ...€¦ · Biologia computazionale A.A....